Applaudo is een nearshore softwareontwikkelingsbedrijf dat organisaties helpt hun technologie te moderniseren en digitale transformatie te versnellen. Het bedrijf, opgericht in 2013, combineert expertise in software-engineering en consultancy op het gebied van innovatie en experience design, applicatieontwikkeling en -onderhoud, kwaliteitsborging, cloudoplossingen, kunstmatige intelligentie, cybersecurity, dataoplossingen en applicatiemodernisering. Applaudo werkt voor klanten in sectoren zoals sport, media en entertainment, retail, consumentengoederen en financiële dienstverlening. Het ondersteunt projecten die digitale producten, infrastructuur en IT-dienstverlening verbeteren. Vanuit het hoofdkantoor in Austin, Texas, en een kantoor in San Salvador brengt Applaudo een team van 501 tot 1.000 medewerkers samen dat organisaties ondersteunt binnen het brede landschap van technologie en digitale dienstverlening.
Senior Applied Data Scientist – Entity Matching (op afstand, Peru)
Ontwikkel bij Applaudo modellen op basis van embeddings en LLM's om bedrijven en entiteiten aan elkaar te koppelen. Analyseer grootschalige, onbetrouwbare data en bouw nauwkeurige AI-oplossingen met praktische afwegingen rond kosten en schaalbaarheid.
Beschrijving
- Ontwikkel en beoordeel machinelearningmethoden om bedrijven en entiteiten aan elkaar te koppelen.
- Bouw matchingaanpakken met embeddings en grote taalmodellen.
- Ontwerp scorings- en rangschikkingsmethoden die echte matches onderscheiden van duplicaten, records die op elkaar lijken en niet-gerelateerde entiteiten.
- Verwerk onbetrouwbare data over namen, aliassen, domeinen, websites, bedrijfskenmerken, talen en datahiërarchieën.
- Stel benchmarkdatasets, evaluatiemaatstaven en baselines op en voer foutanalyses uit.
- Plan en voer experimenten uit om hypotheses te toetsen.
- Vergelijk methoden met LLM-ondersteuning met voordeligere alternatieven.
- Onderzoek modelgedrag, randgevallen en afwegingen.
- Houd vanaf het begin rekening met inferentiekosten en schaalbaarheid.
- Deel experimentele resultaten en aanbevelingen met partners in engineering en business.
- Zet zelfstandig onderzoeksmethoden en experimentpipelines op.
- Leg zowel positieve als negatieve experimentele resultaten helder vast.
Vereisten
- Minimaal vijf jaar professionele ervaring in data science of machine learning.
- Sterke praktische basis in machine learning.
- Uitstekende kennis van Python en SQL.
- Praktische ervaring met embeddings en semantische overeenkomst.
- Ervaring met het toepassen van grote taalmodellen op praktijkproblemen.
- Ervaring met supervised en unsupervised learning.
- Sterke achtergrond in classificatie en natural language processing.
- Praktische kennis van neurale netwerken en transformerarchitecturen.
- Praktische ervaring met TensorFlow, PyTorch, PyCaret of een vergelijkbaar machinelearningframework.
- Ervaring met het opnieuw trainen of onderhouden van classificatiemodellen in productie.
- Sterke vaardigheden in experimenteel ontwerp en modelevaluatie.
- Ervaring met het vaststellen van baselines, maatstaven en testsets en met processen voor foutanalyse.
- In staat de modelkwaliteit te beoordelen en meetbare verbeteringen aan te tonen.
- Sterk inzicht in schaalbaarheid en inferentiekosten van machine learning.
- Sterke communicatieve vaardigheden in het Engels.
- Pré: Ervaring met entity resolution, record linkage of deduplicatie.
- Pré: Ervaring met rangschikking en overeenkomstsscores.
- Pré: Bekendheid met retrieval-, clustering- of candidate-generationtechnieken.
- Pré: Ervaring met het ontwerpen van LLM- of embeddingoplossingen binnen kosten- en schaalbaarheidsgrenzen.
- Pré: Bekendheid met Spark, Snowflake, Databricks of BigQuery.
- Pré: Ervaring met bedrijfs-, domein-, website- of firmografische data.
- Pré: Ervaring met meertalige datasets.
- Analytische aanpak en experimentele instelling.
- Intellectuele eerlijkheid en bereidheid om negatieve resultaten te delen.
- Zelfstandig kunnen werken en initiatief nemen.
- Uitstekende mondelinge en schriftelijke communicatie.
- Technische aanbevelingen kunnen uitleggen en onderbouwen bij stakeholders.
- Sterke probleemoplossende vaardigheden.
- Goed kunnen omgaan met onduidelijkheid en grootschalige datasets.
- In staat zijn de kwaliteit van modellen, kosten en schaalbaarheid tegen elkaar af te wegen.
Voordelen
- Mogelijkheid om op afstand te werken.
- Kans om snel te leren en verantwoordelijkheid te nemen.
- Samenwerken met deskundige teams.
- Werken aan moderne AI-oplossingen en schaalbare producten.
- Een prestatiegerichte cultuur met aandacht voor uitmuntendheid, teamwork, respect, transparantie en effectieve communicatie.